用云端 NLP API 做一个简单的文本分析工具

wuwj 收录于 AI 探索

2021-12-05 约 261 字预计阅读 2 分钟

很早之前就对「AI 能不能帮忙看评论、看工单」这件事好奇过，但自己训模型门槛挺高，于是先选了条最省事的路：

找一个云厂商提供的 NLP API，用 HTTP 请求的方式做一层简单封装，做一个「文本分析小工具」。

这篇文章记录的是那次尝试的过程。

注：下面不强调具体厂商名字，主线思路在于「怎么用」，而不是「用谁」。

1. 想做一个什么样的小工具？

需求非常朴素：

输入一段文本（比如用户评论、客服工单）；
自动判断它是「正向 / 负向 / 中性」；
选做：给出一个大致类别，比如「产品问题 / 物流问题 / 售后问题」。

最终希望变成一个简单的 Web 页面：

左边输入框；
右边展示：情感结果、类别标签、关键句/关键词。

2. 挑选一个云 NLP 服务

大部分云厂商都会提供类似能力：

情感分析（Sentiment Analysis）；
文本分类（Text Classification）；
关键词提取、实体识别等。

通常接入步骤类似：

注册账号；
在控制台创建一个 NLP 应用 / 项目；
拿到 API Key / Secret / Endpoint；
看一眼文档里示例请求。

示例请求（伪代码）：

POST /nlp/sentiment
Authorization: Bearer <API_KEY>
Content-Type: application/json

{
  "text": "这次发货太慢了，等了一个星期才收到。"
}

响应大概会是：

{
  "sentiment": "negative",
  "confidence": 0.94
}

或者更细一些：

{
  "positive": 0.02,
  "neutral": 0.04,
  "negative": 0.94
}

3. 在前端简单封一层

用最熟悉的方式来就好，比如 Vue + Axios：

// api/nlp.ts
import axios from 'axios';

const client = axios.create({
  baseURL: import.meta.env.VITE_NLP_BASE_URL,
  headers: {
    'Authorization': `Bearer ${import.meta.env.VITE_NLP_KEY}`,
  },
});

export async function analyzeText(text: string) {
  const [sentRes, classifyRes] = await Promise.all([
    client.post('/nlp/sentiment', { text }),
    client.post('/nlp/classify', { text }),
  ]);

  return {
    sentiment: sentRes.data,
    categories: classifyRes.data,
  };
}

在 .env 里配置好：

VITE_NLP_BASE_URL=https://nlp-api.example.com
VITE_NLP_KEY=xxxxx

这样可以避免把 key 写死在代码里。

实际生产环境建议把调用放到后端/BFF 层，再提供一个安全的前端接口，这里为了演示只在前端直连。

4. 页面交互：尽量「可视化」一点

页面结构大致是：

上半部分：输入框 + 分析按钮；
下半部分：结果卡片。

<template>
  <div class="nlp-tool">
    <el-input
      v-model="text"
      type="textarea"
      :rows="6"
      placeholder="粘贴一段用户评论或工单内容试试"
    />
    <el-button type="primary" :loading="loading" @click="onAnalyze">
      分析文本
    </el-button>

    <div v-if="result" class="result-panel">
      <ResultSentiment :sentiment="result.sentiment" />
      <ResultCategories :categories="result.categories" />
    </div>
  </div>
</template>

ResultSentiment 组件可以把结果做得好玩一点：

负向：红色表情 + 建议优先处理；
正向：绿色表情 + 简短总结；
中性：灰色。

这样这个小工具不仅能输出「机器结果」，也能给人类一点直觉上的感受。

5. 它到底准不准？

做完之后，最有趣的部分其实是：

拿真实的评论/工单数据来试，看看机器和你的直觉差异在哪。

大概有几种情况：

机器判断得挺准
- 比如「这次发货太慢了」→ 负向；
- 「客服态度很好」→ 正向。
机器有点「过于乐观」或「过于悲观」
- 带有一些委婉抱怨的句子，有时候会被识别成中性；
- 含有否定语气结构时，模型不一定理解上下文。
机器看不懂行业黑话
- 很多垂直行业有自己的术语和表达；
- 通用模型在这块容易翻车。

但即便不完美，它已经有一个非常实用的用途：

帮你快速「筛」出高风险或高价值的文本，让人力聚焦在更重要的部分。

比如：

先用情感分析把负向/极端负向的找出来；
再用分类结果 roughly 看看主要集中在哪几类问题上。

6. 一点点工程化考虑

哪怕只是一个「玩具项目」，我也顺手做了几件事：

把 NLP 调用封在一个单独模块，而不是在组件里直接写 axios.post；
给返回结果定义了 TS 类型，避免到处都是 any；
简单加了错误提示：接口出错时用 Message 提示，避免静默失败。

这样如果以后要：

换一家云厂商；
把调用移到服务端；
增加比如关键词提取、实体识别；

也不会推翻整个页面，只需要改调用层和类型定义。

7. 小结：早期 AI 尝试的意义

这次用云端 NLP API 做的小工具，说实话：

不算「高深技术」，基本没有自己训模型；
效果也达不到严肃场景直接上线的程度。

但它给我的感觉是：

把「AI 能力」当成一个服务去消费，其实门槛并不高；
作为前端/全栈，可以先从 「把 AI 接进业务」 这一步开始，而不是一开始就钻研各种模型细节；
哪怕只是一个内部小工具，能让团队直观感受到：「原来我们已经可以这么用 AI 了」。

等未来有更成熟的场景和数据，再考虑：

用更适配领域的模型；
自己搭一层 BFF 做统一的 AI 能力接入；
把这些能力真正织入现有系统的业务流里。

这次尝试，就当是那个「第一块乐高」吧。

目录